使用平滑敏感性的差分隐私随机决策森林

我们提出了一种新的差分隐私决策森林算法，该算法最小化了所需的查询数量以及这些查询的敏感性。为此，我们构建了一个随机决策树集成，除了在叶节点中寻找多数类标签外，避免了对私有数据的查询。与当前最优方法使用计数查询返回类别计数不同，我们使用指数机制仅输出类别标签本身。这极大地降低了查询的敏感性——通常降低几个数量级——从而减少了为保护隐私而必须添加的噪声量。我们通过使用“平滑敏感性”实现了敏感性的改进，该方法考虑了查询中使用的特定数据，而不是假设最坏情况。我们还将关于随机决策树最优深度的工作扩展到处理连续特征，而不仅仅是离散特征。这与其它几项改进相结合，使我们能够创建具有比当前最优方法高得多的预测能力的差分隐私决策森林。